Please use this identifier to cite or link to this item: http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2048
Full metadata record
DC FieldValueLanguage
dc.contributor625460es_ES
dc.contributor299983es_ES
dc.contributor.otherhttps://orcid.org/0000-0002-7635-4687-
dc.contributor.otherhttps://orcid.org/0000-0002-9498-6602-
dc.contributor.other0000-0002-9498-6602-
dc.coverage.spatialGlobales_ES
dc.creatorEspino Salinas, Carlos Humberto-
dc.creatorRodríguez Aguayo, Carlos-
dc.creatorGalván Tejada, Carlos Eric-
dc.creatorChávez Lamas, Nubia-
dc.creatorGalván Tejada, Jorge-
dc.creatorGamboa Rosales, Hamurabi-
dc.creatorCelaya Padilla, José-
dc.date.accessioned2020-07-29T19:31:28Z-
dc.date.available2020-07-29T19:31:28Z-
dc.date.issued2019-10-17-
dc.identifierinfo:eu-repo/semantics/acceptedVersiones_ES
dc.identifier.urihttp://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2048-
dc.identifier.urihttps://doi.org/10.48779/ka6j-p275-
dc.descriptionDepression is a major public health problem. In the world, it represents the fourth cause of disability in terms of the loss of healthy years of life. In Mexico it occupies the first place of disability for women and the ninth for men. Depression has a high co-occurrence with other disorders such as anxiety, substance use, diabetes, and heart disease. Objective: to establish a model based on machine learning or machine learning capable of predicting a depression scale in a patient. Materials and methods: The data set was collected for the study of schizophrenia and major depression through an actigraph clock that measures motor activity levels. To generate a prediction model of the Montgomery Asberg scale, these same data were taken for the processing and generation of a prediction model. The Montgomery Asberg scale uses scores less than 10 that classify as absence of depressive symptoms, and scores greater than 30 indicate a severe depressive state, using techniques such as linear regression and random forests seeks to predict these scores to prevent serious states of depression. . Results: they were obtained using validation metrics such as the Root of the Mean Square Error RECM = 3,577 and the Mean Absolute Error EAM = 2,857, respectively, which indicate a significantly acceptable result in the case of linear regression to identify levels of depression. Conclusion: The use of supervised machine learning allows us to have a very useful preventive tool for cases of depression at its different levels, specifically using linear regression to predict the Montgomery-Asberg Depression Rating Scale and implement these tools to control this sickness.es_ES
dc.description.abstractLa depresión constituye un problema importante de salud pública. En el mundo, representa la cuarta causa de discapacidad en cuanto a la pérdida de años de vida saludables. En México ocupa el primer lugar de discapacidad para las mujeres y el noveno para los hombres. La depresión tiene una alta co-ocurrencia con otros trastornos como la ansiedad, el consumo de sustancias, la diabetes y las enfermedades cardíacas. Objetivo: establecer un modelo basado en machine learning o aprendizaje automático capaz de predecir una escala de depresión en un paciente. Materiales y métodos: El conjunto de datos se recopiló para el estudio de la esquizofrenia y la depresión mayor a través de un reloj actigraph que mide los niveles de actividad motriz. Para generar un modelo de predicción de la escala Montgomery-Asberg fueron tomados estos mismos datos para el procesamiento y generación de un modelo de predicción. La escala Montgomery-Asberg usa puntuaciones inferiores a 10 que clasifican como ausencia de síntomas depresivos, y las puntuaciones superiores a 30 indican un estado depresivo grave, utilizando técnicas como la regresión lineal y bosques aleatorios se busca predecir estas puntuaciones que permitan prevenir estados graves de depresión. Resultados: se obtuvieron mediante métricas de validación como la Raíz del Error Cuadrático Medio RECM = 3.577 y el Error Absoluto Medio EAM = 2.857 respectivamente que indican un resultado significativamente aceptable para el caso de la regresión lineal para identificar niveles de depresión. Conclusión: El uso del aprendizaje automático supervisado permite tener una herramienta preventiva muy útil para casos de depresión en sus diferentes niveles, utilizando específicamente la regresión lineal para la predicción de la Escala de Clasificación de Depresión Montgomery-Asberg e implementar estas herramientas para el control de esta enfermedad.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Zacatecases_ES
dc.relation.urigeneralPublices_ES
dc.rightsCC0 1.0 Universal*
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.sourceJornadas de investigación en odontología UAO/UAZes_ES
dc.subject.classificationINGENIERIA Y TECNOLOGIA [7]es_ES
dc.subject.otherdepresión, predicciónes_ES
dc.subject.otherpredicciónes_ES
dc.subject.otheraprendizaje automáticoes_ES
dc.subject.otheractividad motrizes_ES
dc.titlePredicción de la Escala Montgomery-Asberg de Personas con Depresión Utilizando la Actividad Motriz y Técnicas de Aprendizaje Automático Supervisado.es_ES
dc.typeinfo:eu-repo/semantics/conferencePosteres_ES
Appears in Collections:*Documentos Académicos*-- M. en Ciencias del Proc. de la Info.

Files in This Item:
File Description SizeFormat 
Montgomery-asberg Prediction.pdf385,72 kBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons